Boosting-Ensemble
Boosting ist eine Ensemble-Methode, die schwache Lerner sequenziell trainiert und sie zu einem starken Prädiktor kombiniert, indem sie sich auf Stichproben konzentriert, die frühere Modelle falsch klassifiziert haben. Jeder neue schwache Lerner wird entsprechend der Schwierigkeit seiner Trainingsaufgabe gewichtet, und endgültige Vorhersagen werden durch gewichtetes Abstimmen getroffen. Pionierarbeit leistete Schapire (1990), verfeinert in AdaBoost (Freund & Schapire, 1997), wobei Boosting schwache Lerner (kaum besser als zufällig) durch sequenzielle Neugewichtung in starke Lerner umwandelt.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197-227. DOI: 10.1023/A:1022648800760 ↗
- Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 119-139. DOI: 10.1006/jcss.1997.1504 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/de/ensemble-learning/boosting-ensemble
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- AdaBoostMaschinelles Lernen↔ compare
- Bagging-EnsembleEnsemble-Lernen↔ compare
- Gradient BoostingMaschinelles Lernen↔ compare
- MehrheitsentscheidEnsemble-Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →